粒子群算法及其在备件管理中的应用研究

论文摘要

随着市场竞争的日益激烈,低成本高效率运作成为现代企业主题,备件管理日渐成为企业设备管理中的一个非常重要部分,它直接影响着企业的运营成本,是企业提高竞争力的一个关键环节。本文以某核电站备件管理为研究背景,讨论了备件管理重点的确定和供应商优选问题。首先,总结了现有备件分类和供应商选择方法研究方面的不足,同时较系统分析了本文所用智能优化算法(粒子群优化算法)的特点和应用领域,讨论了本文粒子群优化算法的应用和改进策略。其次,设计了用于备件ABC分类的人工神经网络模型。针对现有ANN学习算法的缺点,设计了一种基于粒子群优化方法和BP算法的混合学习算法,此算法不仅能够充分利用PSO算法的快速全局寻优能力,而且能发挥BP算法良好的局部搜索能力。然后通过在某核电站收集的数据对设计的ANN分类模型进行了检验,并与常规方法进行了对比分析。然后,研究了供应商的优选与订货量分配问题。在随机性需求下,构建了以质量、成本、交货期3个准则为目标函数、以其他目标为约束条件的多目标随机约束规划模型。借助于加权法、罚函数法,将多目标随机约束规划模型转化为单目标优化模型。进而设计了带惯性因子和收缩因子的粒子群求解算法对所建模型进行求解,并与常用的求解算法——遗传算法进行对比分析,验证了粒子群算法应用于此类问题的可行性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 选题背景与研究意义
• 1.2 国内外研究现状
• 1.3 论文研究内容及方法
• 2 粒子群优化算法
• 2.1 粒子群优化算法基本思想
• 2.2 基本PSO 算法的步骤
• 2.3 PSO 算法的改进
• 2.4 本文PSO 算法的应用和改进思路
• 3 基于PSO 和BP 神经网络的备件分类模型
• 3.1 人工神经网络及其应用概述
• 3.2 基于PSO 和BP 神经网络的备件分类
• 3.3 备件分类指标选取与数据处理
• 3.4 备件分类实例分析
• 4 基于改进PSO 算法的备件供应商优选模型
• 4.1 多目标优化问题概述
• 4.2 备件供应商优选模型构建——多目标随机约束模型
• 4.3 面向多目标随机约束模型求解的PSO 算法
• 4.4 供应商选优实例分析
• 5 总结与展望
• 5.1 全文总结
• 5.2 研究展望
• 致谢
• 参考文献
• 附录1 攻读学位期间的发表论文目录
• 附录2 攻读学位期间参加及完成的科研课题